Graham mencoba men-tweak pendekatan CNN sehingga kernel hanya akan ditempatkan pada bagian 3-kali-3 dari gambar yang mengandung setidaknya satu piksel yang memiliki nilai bukan nol (dan tidak hanya kosong). Dengan cara ini, dia berhasil menghasilkan sistem yang dapat mengidentifikasi tulisan tangan Cina secara efisien. Itu memenangkan kompetisi 2013 dengan mengidentifikasi karakter individu dengan tingkat kesalahan hanya 2,61 persen. (Manusia mencetak rata-rata 4,81 persen.) Dia selanjutnya mengalihkan perhatiannya ke masalah yang lebih besar: pengenalan objek tiga dimensi.

Pada tahun 2017, Graham telah pindah ke Riset AI Fb dan menyempurnakan tekniknya lebih lanjut dan menerbitkan element untuk SCNN pertama, yang memusatkan kernel hanya pada piksel yang memiliki nilai bukan nol (daripada menempatkan kernel pada 3-oleh-3 mana pun). bagian yang memiliki setidaknya satu piksel “bukan nol”). Ide umum inilah yang dibawa Terao ke dunia fisika partikel.

Tembakan Bawah Tanah

Terao terlibat dalam eksperimen di Laboratorium Akselerator Nasional Fermi yang menyelidiki sifat neutrino, di antara partikel elementer yang dikenal paling sulit dipahami. Mereka juga merupakan partikel paling melimpah di alam semesta dengan massa (walaupun tidak banyak), tetapi mereka jarang muncul di dalam detektor. Akibatnya, sebagian besar knowledge untuk percobaan neutrino jarang, dan Terao terus mencari pendekatan yang lebih baik untuk analisis knowledge. Dia menemukan satu di SCNN.

Pada tahun 2019, dia menerapkan SCNN ke simulasi knowledge yang diharapkan dari Deep Underground Neutrino Experiment, atau DUNE, yang akan menjadi eksperimen fisika neutrino terbesar di dunia saat on-line pada tahun 2026. Proyek ini akan menembakkan neutrino dari Fermilab, tepat di luar Chicago, melalui 800 mil bumi ke laboratorium bawah tanah di South Dakota. Sepanjang jalan, partikel akan “berosilasi” di antara tiga jenis neutrino yang diketahui, dan osilasi ini dapat mengungkapkan sifat neutrino yang terperinci.

SCNN menganalisis knowledge yang disimulasikan lebih cepat daripada metode biasa, dan membutuhkan daya komputasi yang jauh lebih sedikit untuk melakukannya. Hasil yang menjanjikan berarti bahwa SCNN kemungkinan akan digunakan selama percobaan yang sebenarnya.

Sementara itu, pada tahun 2021, Terao membantu menambahkan SCNN ke eksperimen neutrino lain di Fermilab yang dikenal sebagai MicroBooNE. Di sini, para ilmuwan melihat akibat dari tabrakan antara neutrino dan inti atom argon. Dengan memeriksa jejak yang dibuat oleh interaksi ini, peneliti dapat menyimpulkan element tentang neutrino asli. Untuk melakukan itu, mereka membutuhkan algoritme yang dapat melihat piksel (atau, secara teknis, rekan tiga dimensi mereka disebut voxel) dalam representasi tiga dimensi dari detektor dan kemudian menentukan piksel mana yang terkait dengan lintasan partikel mana.

Karena datanya sangat jarang—sekumpulan garis kecil di dalam detektor besar (sekitar 170 ton argon cair)—SCNN hampir sempurna untuk tugas ini. Dengan CNN standar, gambar harus dipecah menjadi 50 bagian, karena semua perhitungan harus dilakukan, kata Terao. “Dengan CNN yang jarang, kami menganalisis seluruh gambar sekaligus—dan melakukannya lebih cepat.”

Pemicu Tepat Waktu

Salah satu peneliti yang bekerja di MicroBooNE adalah seorang mahasiswa magang bernama Felix Yu. Terkesan dengan kekuatan dan efisiensi SCNN, dia membawa peralatan itu bersamanya ke tempat kerja berikutnya sebagai mahasiswa pascasarjana di laboratorium penelitian Harvard yang secara resmi berafiliasi dengan IceCube Neutrino Observatory di Kutub Selatan.

Salah satu tujuan utama observatorium ini adalah mencegat neutrino paling energik di alam semesta dan melacaknya kembali ke sumbernya, yang sebagian besar berada di luar galaksi kita. Detektor terdiri dari 5.160 sensor optik yang terkubur di es Antartika, hanya sebagian kecil yang menyala pada waktu tertentu. Array lainnya tetap gelap dan tidak terlalu informatif. Lebih buruk lagi, banyak dari “peristiwa” yang direkam oleh detektor adalah positif palsu dan tidak berguna untuk berburu neutrino. Hanya apa yang disebut peristiwa tingkat pemicu yang dapat dipotong untuk analisis lebih lanjut, dan keputusan instan perlu dibuat untuk menentukan mana yang layak untuk penunjukan itu dan mana yang akan diabaikan secara permanen.